leandro-soares-alves-pereira---tese--

Prévia do material em texto

Universidade Federal de Minas Gerais 
Instituto de Ciências Exatas 
Departamento de Química 
 
 
 
 
 
Leandro Soares Alves Pereira 
 
 
ANÁLISE MULTIVARIADA E ESPECTROSCOPIA NO 
INFRAVERMELHO APLICADAS EM ANÁLISES FORENSES: 
DROGAS E MEDICAMENTOS 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Belo Horizonte 
2018 
 
UFMG/ICEx/DQ. 1267ª 
T. 572ª 
 
 
Leandro Soares Alves Pereira 
 
Análise multivariada e espectroscopia no infravermelho 
aplicadas em análises forenses: drogas e medicamentos 
 
 
 
 
 
 
 
Tese apresentada ao Departamento de 
Química do Instituto de Ciências Exatas da 
Universidade Federal de Minas Gerais, 
como requisito parcial para a obtenção do 
grau de Doutor em Ciências – Química 
 
 
 
 
Belo Horizonte 
2018 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Pereira, Leandro Soares Alves 
 Análise multivariada e espectroscopia no 
infravermelho aplicadas em análises forenses 
[manuscrito]: drogas e medicamentos / Leandro Soares 
Alves Pereira. 2018. 
 [xi], 109 f. : il. 
 
 Orientador: Marcelo Martins de Sena. 
 
 Tese (doutorado) – Universidade Federal de Minas 
Gerais – Departamento de Química. 
 Inclui bibliografia. 
 
1. Química legal - Teses 2. Análise multivariada - 
Teses 3. Espectroscopia de infravermelho - Teses 4. 
Drogas - Abuso – Teses 5. Medicamentos - Adulteração e 
inspeção - Teses 6. Substâncias - Abuso - Teses I. Sena, 
Marcelo Martins de, Orientador II. Título. 
 
CDU 043 
 
P436a 
2018 
T 
 
 
 
i 
 
Agradecimentos 
 
Essa tese é fruto de muito trabalho, que só foi possível pela ajuda de muitas 
pessoas. Agradeço então: 
À minha família pelo suporte emocional em momentos tão difíceis. 
À minha companheira Ana Flávia, por todo apoio, alegrias e por ser brilhante. 
Aos colegas e parceiros do Instituto de Criminalística da Polícia Civil de Minas 
Gerais, em especial José Coelho, Fernanda e Frederico, que auxiliaram ativamente 
neste trabalho. 
Ao professor Marcelo, pelo conhecimento, apoio e debates durante todo o curso. 
Aos amigos do GEQQATE, que foram importantes em muitos momentos do trabalho. 
A todos os amigos do DQ, em especial os dos laboratórios 214, 157, 163 e 167. 
A todos os amigos que a vida me trouxe, pelo auxílio pessoal, mental e 
principalmente espiritual. 
Aos órgãos de fomento pelos auxílios financeiros: CAPES (bolsa de estudo e edital 
n°25/14 - PRÓ-FORENSE), CNPq (bolsa de estudo) e FAPEMIG (auxílios a 
congressos). 
 
 
 
ii 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 “Nada na vida deve ser temido, somente compreendido. Agora 
é hora de compreender mais para temer menos.” 
 
Marie Curie 
 
iii 
 
Resumo 
Processos judiciais advindos da apreensão de produtos ilícitos, como drogas 
e medicamentos falsificados, necessitam de comprovação da composição química 
desses produtos. Para suprir essa necessidade, novos métodos de análise química 
que sejam rápidos e confiáveis devem ser desenvolvidos. Essa tese propõe novos 
métodos de análise qualitativa baseados em espectroscopia no infravermelho médio 
por transformada de Fourier com acessório de refletância total atenuada (ATR-FTIR) 
e dois métodos quimiométricos de classificação supervisionada: análise 
discriminante por mínimos quadrados parciais (PLS-DA) e modelagem independente 
e flexível por analogia de classes (SIMCA). Pela grande demanda de análises de 
drogas ilícitas apreendidas, dois dos métodos desenvolvidos têm essa finalidade, 
especialmente para drogas sintéticas: um método visou a identificação de drogas em 
selos e o outro método foi usado para identificar drogas em comprimidos tipo 
ecstasy. Um terceiro método foi desenvolvido para análise de medicamentos 
falsificados (sildenafila), outro setor de grande importância para laboratórios de 
química da perícia criminal. A validação analítica foi feita para atestar a eficiência 
dos métodos desenvolvidos. As taxas de confiabilidade dos métodos para drogas 
em selos, drogas em comprimidos e medicamentos falsificados foram 86,2%, 100% 
e 96,4%, respectivamente. Os métodos são rápidos e apresentam resultados 
objetivos, duas características desejáveis para sua aplicação na perícia forense. 
 
Palavras-chave: Análise forense; quimiometria; drogas ilícitas; novas substâncias 
psicoativas (NPS); medicamentos falsificados; ATR-FTIR. 
iv 
 
Abstract 
Court cases must be sustained in solid evidences, thus forensic analysis of 
seized products, such as illicit drugs and counterfeit medicines, must be performed. 
Consequently, new rapid and reliable analytical methods must be developed. This 
thesis introduces qualitative analytical methods based on attenuated total reflectance 
Fourier transform infrared spectroscopy (ATR-FTIR) and two supervised 
classification chemometric methods, partial least squares discriminant analysis (PLS-
DA) and soft independent modeling by class analogy (SIMCA). Illegal drugs are 
responsible for most of the analyses in forensic chemistry laboratories. So, two 
methods were developed to identify synthetic drugs: one for blotter samples and 
other for ecstasy-like tablets. A third method was developed for the analysis of 
counterfeit medicines (sildenafil), which is an important group of seized samples for 
forensic chemistry. Each method was validated to prove its effectiveness. Reliability 
rates of the methods for drugs in blotters, drugs in tablets and counterfeit medicines 
were 86.2%, 100% e 96.4%, respectively. The developed methods are rapid and 
produce objective results, which are desirable features of forensic analysis methods. 
 
 
Keywords: Forensic analysis; chemometrics; illicit drugs; new psychoactive 
substances (NPS); counterfeit medicine; ATR-FTIR. 
 
v 
 
Lista de figuras 
Figura 2.1 – Estrutura química das fenetilaminas ...................................................................... 5 
Figura 2.2 – Estruturas químicas de: (A) anfetamina; (B) 25C-NBOMe; (C) 2C-H; e (D) 
MAL ........................................................................................................................................... 6 
Figura 2.3 – Estruturas químicas de: (A) Catinona; (B) Pirovalerona; (C) α-PVP; e (D) PV-8 7 
Figura 2.4 – Produtos fora do padrão e falsificados reportados (2013-2017) à OMS: Número 
de ocorrências (à esquerda) e número de países afetados (à direita) ........................................ 11 
Figura 2.7 – Modelos quânticos de (A) oscilador harmônico e (B) oscilador anarmônico ...... 14 
Figura 2.8 – Cristal ATR .......................................................................................................... 16 
Figura 2.5 – Sistema de classificação para análise discriminante (à esquerda) e modelagem de 
classe (à direita) ........................................................................................................................ 18 
Figura 2.6 – Organização da matriz Y para um modelo de ordem dois ................................... 19 
Figura 3.1 – Cartela de selos apreendida .................................................................................. 28 
Figura 3.2 – Espectros de infravermelho médio das 73 amostras de selos apreendidos e das 21 
amostras de papéis .................................................................................................................... 36 
Figura 3.3 – Escores em PC1 versus escores em PC2. ............................................................. 37 
Figura 3.4 – Espectros médios de LSD1 e LSD2 ..................................................................... 38 
Figura 3.5 – Valores preditos de y para as classes (A) NBOMe, (B) 2C-H, (C) LSD1, (D) 
LSD2, (E) MAL e (F) papel ..................................................................................................... 40 
Figura 3.5 (cont.) – Valores preditosde y para as classes (A) NBOMe, (B) 2C-H, (C) LSD1, 
(D) LSD2, (E) MAL e (F) papel ............................................................................................... 41 
Figura 3.6 – Espectros de referência das classes NBOMe (25B-NBOMe, 25C-NBOMe e 25I-
NBOMe), 2C-H, LSD1, LSD2 (copolímero), MAL e papel .................................................... 43 
Figura 3.6 (cont.) – Espectros de referência das classes NBOMe (25B-NBOMe, 25C-NBOMe 
e 25I-NBOMe), 2C-H, LSD1, LSD2 (copolímero), MAL e papel .......................................... 44 
Figura 3.7 – Vetores de regressão (à esquerda) e VIP (à direita) para as classes (A) NBOMe, 
(B) 2C-H, (C) LSD1, (D) LSD2, (E) MAL e (F) papel ............................................................ 45 
Figura 3.7(cont.) – Vetores de regressão (à esquerda) e VIP (à direita) para as classes (A) 
NBOMe, (B) 2C-H, (C) LSD1, (D) LSD2, (E) MAL e (F) papel ............................................ 46 
Figura 3.8 – Valores preditos de y para as subclasses (A) 25B-NBOMe, (B) 25C-NBOMe e 
(C) 25I-NBOMe ....................................................................................................................... 52 
Figura 3.9 – Vetores de regressão e VIP para as subclasses (A) 25B-NBOMe, (B) 25C-
NBOMe e (C) 25I-NBOMe ...................................................................................................... 53 
Figura 4.1 – Comprimidos tipo ecstasy apreendidos contendo (A) MDMA, (B) PV-8 e (C) 5-
MeO-MIPT ............................................................................................................................... 58 
Figura 4.2 – Espectros ATR-FTIR de 92 amostras de ecstasy ................................................. 64 
Figura 4.3 – Escores (A, C e E) e pesos (B, D e F) em PC1, PC2 e PC3, respectivamente. .... 66 
Figura 4.4 – Valores preditos de y para as classes (A) 5-MeO-MIPT, (B) MDs, (C) 
Metanfetamina e (D) Catinonas, no modelo principal PLS-DA .............................................. 70 
Figura 4.5 – Vetores de regressão e VIP para as classes (A) 5-MeO-MIPT, (B) MDs C) 
Metanfetamina e (D) Catinonas, para o modelo principal PLS-DA......................................... 72 
Figura 4.6 – Valores preditos de y para a subclasse MDMA ................................................... 76 
Figura 4.7 – Vetores de regressão e VIP para a subclasse MDMA.......................................... 76 
Figura 4.8 – Valores preditos de Y para as subclasses (A) Metilona, (B) Etilona e (C) PV-8 78 
Figura 4.9 – Vetores de regressão e VIP para as subclasses (A) Metilona, (B) Etilona e (C) 
PV-8 .......................................................................................................................................... 79 
Figura 5.1 – Espectros ATR-FTIR das amostras originais de citrato de sildenafila ................ 87 
Figura 5.2 – Espectros ATR-FTIR das amostras suspeitas de citrato de sildenafila ................ 87 
vi 
 
Figura 5.3 – Escores em PC1 e PC2 no modelo PCA para classe “original”. .......................... 88 
Figura 5.4 – Pesos em (a) PC1 e (b) PC2 no modelo PCA para a “classe original”. ............... 89 
Figura 5.5 – Espectros ATR-FTIR de referência de sildenafila, celulose, fosfato de cálcio 
dibásico, carmelose, estearato de magnésio, lactose, dióxido de silício e povidona ................ 90 
Figura 5.5 (cont.) – Espectros ATR-FTIR de referência de sildenafila, celulose, fosfato de 
cálcio dibásico, carmelose, estearato de magnésio, lactose, dióxido de silício e povidona ..... 91 
Figura 5.6 - Escores em PC1 e PC2 no modelo PCA para classe “original”, com predição de 
amostras suspeitas..................................................................................................................... 94 
Figura 5.7 – Probabilidade, por amostra, de pertencimento à classe “original”....................... 95 
Figura 5.8 – Resíduos Q versus T2 de Hotelling do modelo PCA para a classe “original”. 
Gráfico completo à esquerda e ampliado à direita. .................................................................. 95 
 
vii 
 
Lista de tabelas 
Tabela 3.1 – Quantidades de amostras por classe nos conjuntos de treinamento e teste, para o 
modelo principal e o submodelo de NBOMe ........................................................................... 35 
Tabela 3.2 – Números de onda importantes e com valor positivo no vetor de regressão, para 
cada classe ................................................................................................................................ 49 
Tabela 3.3 – Matriz de confusão de classificação do modelo principal para amostras de 
treinamento/teste ....................................................................................................................... 49 
Tabela 3.4 – Figuras de mérito do modelo principal, em porcentagem, por classe, para 
conjuntos de treinamento e teste. .............................................................................................. 50 
Tabela 3.5 – Matriz de confusão de classificação do submodelo para amostras de 
treinamento/teste ....................................................................................................................... 54 
Tabela 3.6 – Figuras de mérito do submodelo, em porcentagem, por subclasse, para conjuntos 
de treinamento e teste. .............................................................................................................. 54 
Tabela 4.1 – Quantidades de amostras por classe nos conjuntos de treinamento e teste, para o 
modelo principal e os submodelos MDs e Catinonas ............................................................... 62 
Tabela 4.2 – Número de amostras que contém adulterantes e as drogas associadas a estes. ... 65 
Tabela 4.3 – Figuras de mérito estimadas para o modelo principal PLS-DA, em porcentagem, 
para cada classe nos conjuntos de treinamento e teste ............................................................. 71 
Tabela 4.4 – Números de onda mais discriminantes para modelagem de cada classe, indicados 
por VIP escores, e suas contribuições para os vetores de regressão......................................... 73 
Tabela 5.1 – Relação de amostras com indicação de produtor, marca, nome e lotes ............... 84 
Tabela 5.2 – Principais excipientes descritos nas bulas dos medicamentos, por produtor. ...... 89 
Tabela 5.3 – Figuras de mérito estimadas para o modelo SIMCA, em porcentagem, para cada 
classe nos conjuntos de teste .................................................................................................... 96 
 
viii 
 
Lista de abreviaturas e siglas 
2C-H 2,5-dimetoxifenetilamina 
5-MeO-MIPT 5-metoxi-metil-isopropil-triptamina 
ACO Acordância 
ANVISA Agência Nacional de Vigilância Sanitária 
α-PVP α-Pirrolidinovalerofenona 
ATR Attenuated Total Reflectance (Refletância Total Atenuada) 
ATS Amphetamine type stimulant (Estimulante tipo anfetamina) 
βK β-cetona 
CON Concordância 
CVCE 
Cross-Validation Classification Error (Erro de Classificação de 
validação cruzada) 
DE Disfunção erétil 
FN Falso-negativo 
FOM Figure of Merit (Figura de Mérito) 
FP Falso-positivo 
FT Fourier Transform (Transformada de Fourier) 
IC-PCMG Instituto de Criminalística da Polícia Civil de Minas Gerais 
iPDE5 Inibidor de fosfodiesterase tipo 5 
IR Infrared (Infravermelho) 
LSD Lysergsäurediethylamid (Lisérgida) 
MAL Metalilescalina 
MD Metilenodioxi 
MDA 3,4-metilenodioxianfetamina 
MDMA 3,4-metilenodioximetanfetamina 
NBOMe N-metoxi-benzila 
NIR Near infrared (infravermelho próximo) 
NPS 
New Psychoactive Substances (Novas substâncias 
psicoativas) 
OMS Organização Mundial da Saúde 
PC Principal component (Componente principal) 
PCA 
Principal Component Analysis (Análise de Componentes 
Principais) 
PLS Partial Least Squares (Mínimos Quadrados Parciais) 
PLS-DA 
Partial Least Squares Discriminant Analysis(Análise 
Discriminante por Mínimos Quadrados Parciais) 
PV-8 α-pirrolidinoheptiofenona, α-PHpP 
SIMCA 
Soft Independent Modelling of Class Analogy (Modelagem 
flexível e independente por analogia de classe) 
SNV Standard Normal Variate (Variação Normal Padrão) 
 
ix 
 
SWGDRUG 
Scientific Working Group for Analysis of Seized Drugs (Grupo 
de Trabalho Científico para Análise de Drogas Apreendidas) 
TCF Taxa de confiabilidade 
TFN Taxa de falso-negativo 
TFP Taxa de falso-positivo 
TN True-negative (Verdadeiro-negativo) 
TP True-positive (Verdadeiro-positivo) 
TSL Taxa de seletividade 
TSN Taxa de sensibilidade 
UNODC 
United Nations Office on Drugs and Crime (Escritório das 
Nações Unidas para Drogas e Crimes) 
VIP 
Variable Importance in the Projection (Importância de 
Variáveis na Projeção) 
VL Variável Latente 
 
 
x 
 
Sumário 
Resumo ......................................................................................................................................iii 
Abstract ...................................................................................................................................... iv 
Lista de figuras ........................................................................................................................... v 
Lista de tabelas ......................................................................................................................... vii 
Lista de abreviaturas e siglas ...................................................................................................viii 
1. Introdução............................................................................................................................ 1 
2. Revisão bibliográfica........................................................................................................... 2 
2.1. Química forense ............................................................................................................... 2 
2.2. Drogas de abuso............................................................................................................... 3 
2.2.1. Fenetilaminas ............................................................................................................... 5 
2.2.1.1. Catinonas ....................................................................................................................... 7 
2.3. Medicamentos falsificados .............................................................................................. 9 
2.4. Espectroscopia no Infravermelho .................................................................................. 12 
2.4.1. Espectrômetro no infravermelho por Transformada de Fourier com Refletância Total 
Atenuada – ATR-FTIR ............................................................................................................. 15 
2.5. Quimiometria ................................................................................................................. 17 
2.5.1. PLS-DA...................................................................................................................... 19 
2.5.2. SIMCA ....................................................................................................................... 23 
2.5.3. Validação de métodos qualitativos ............................................................................ 25 
3. Classificação de drogas em selos ...................................................................................... 28 
3.1. Introdução ...................................................................................................................... 28 
3.2. Materiais e métodos ....................................................................................................... 31 
3.2.1. Equipamentos e programas ........................................................................................ 31 
3.2.2. Amostras .................................................................................................................... 32 
3.2.3. Modelos quimiométricos ........................................................................................... 33 
3.3. Resultados e discussões ................................................................................................. 36 
3.3.1. Modelo preliminar - PCA .......................................................................................... 37 
3.3.2. Modelo principal ........................................................................................................ 39 
3.3.3. Submodelo NBOMe................................................................................................... 51 
3.4. Conclusões ..................................................................................................................... 55 
4. Classificação de drogas em comprimidos tipo ecstasy ..................................................... 57 
4.1. Introdução ...................................................................................................................... 57 
4.2. Materiais e métodos ....................................................................................................... 59 
4.2.1. Equipamentos e programas ........................................................................................ 59 
4.2.2. Amostras .................................................................................................................... 59 
xi 
 
4.2.3. Modelos quimiométricos ........................................................................................... 60 
4.3. Resultados ...................................................................................................................... 63 
4.3.1. Modelo preliminar PCA ............................................................................................. 65 
4.3.2. Modelo principal ........................................................................................................ 68 
4.3.3. Submodelo de MDs.................................................................................................... 75 
4.3.4. Submodelo de catinonas ............................................................................................ 77 
4.4. Conclusões ..................................................................................................................... 79 
5. Classificação de autenticidade de medicamentos: sildenafila ........................................... 81 
5.1. Introdução ...................................................................................................................... 81 
5.2. Materiais e métodos ....................................................................................................... 83 
5.2.1. Equipamentos e programas ........................................................................................ 83 
5.2.2. Amostras .................................................................................................................... 84 
5.2.3. Modelos quimiométricos ........................................................................................... 85 
5.3. Resultados e discussão................................................................................................... 87 
5.3.1. Treinamento do modelo SIMCA ............................................................................... 87 
5.3.2. Predição de amostras suspeitas .................................................................................. 94 
5.4. Conclusões ..................................................................................................................... 97 
6. Conclusões gerais .............................................................................................................. 98 
7. Referências ......................................................................................................................100 
ANEXO – Estrutura química das moléculas estudadas.......................................................... 109 
1 
 
1. Introdução 
A taxa de criminalidade em Minas Gerais esteve em ascensão nos anos de 
2011-2012, mesmo com o crescimento dos investimentos em informação e 
inteligência, policiamento e defesa civil no estado1. No relatório do Fórum Brasileiro 
de Segurança Pública de 2016, os índices de criminalidade em Minas Gerais 
diminuíram, mas o estado ainda se destacou pela elevada taxa de crimes 
relacionados ao tráfico de entorpecentes2. Com o grande número de crimes, 
aumenta, também, o trabalho de perícia criminal. Assim, para atender a essa 
demanda, novos métodos de análise que permitam resultados rápidos são 
desejados. Para perícias de composição química, as técnicas de análise direta, 
como espectroscopia no infravermelho (IR) médio, aliadas à análise multivariada, 
possibilitam análises rápidas, com pouco ou nenhum preparo de amostras. Além de 
compatibilizar a frequência de análise, esse tipo de método fornece resultados 
objetivos, reduzindo a subjetividade do perito na avaliação de uma análise, por 
exemplo, na identificação de cores em testes colorimétricos. 
Dessa forma, uma parceria com o Instituto de Criminalística da Polícia Civil de 
Minas Gerais (IC-PCMG) possibilitou a realização dessa tese, cujo objetivo foi 
desenvolver métodos para análises forenses empregando espectroscopia no 
infravermelho e quimiometria. 
Os métodos foram propostos para análise de três tipos de amostras que 
compõem grande parte da rotina de um laboratório de química forense: selos 
contendo drogas, comprimidos tipo ecstasy e medicamentos contendo o princípio 
ativo sildenafila. 
2 
 
2. Revisão bibliográfica 
2.1. Química forense3 
O convívio em sociedade é sempre gerido por regras, sejam do direito formal 
ou dos costumes de uma comunidade. Eventualmente, essas regras podem ser 
transgredidas e disputas entre as partes podem se estabelecer. No direito moderno, 
um juiz arbitra a resolução do conflito, devendo ser imparcial e baseando-se nos 
fatos apresentados. Contudo, esses fatos devem ser comprovados materialmente, 
sempre que possível, para embasar a decisão do juiz. 
A comprovação dos fatos, nos casos que envolvem crimes, cabe ao perito 
criminal, também chamado cientista forense. Esse profissional usa conhecimentos 
de diversas áreas da ciência para comprovar materialmente se há ligação entre um 
vestígio e um crime. Ou seja, ciência forense é a ciência que se presta ao fórum, ao 
tribunal. No Brasil, as ciências forenses são parte necessária ao processo penal, 
pois o Código de Processo Penal4 estabelece: 
Art. 158. Quando a infração deixar vestígios, será 
indispensável o exame de corpo de delito, direto ou indireto, 
não podendo supri-lo a confissão do acusado. 
Art. 159. O exame de corpo de delito e outras perícias serão 
realizados por perito oficial, portador de diploma de curso 
superior. 
Dessa forma, a perícia deve sempre ser realizada (Art.158) por pessoa com 
conhecimento científico (Art.159). 
A química é uma das principais divisões da ciência forense. O conhecimento 
químico é usado em diversas áreas da perícia, desde o local de crime até os 
laboratórios de criminalística. No local de crime, reagentes químicos ajudam a 
identificar marcas de sangue e impressões digitais latentes. Já nos laboratórios, 
diversos tipos de amostra podem ser analisados para a identificação, quantificação 
3 
 
ou qualificação de seus componentes usando um conjunto de técnicas analíticas 
modernas. Dentre as principais amostras analisadas pela química forense, podem-
se citar as drogas ilícitas, medicamentos, explosivos, entre outras. 
2.2. Drogas de abuso 
O uso de drogas pelo homem é relatado há milênios, especialmente para 
efeitos medicinais. Contudo, algumas drogas possuem efeitos psicotrópicos, ou seja, 
agem no sistema nervoso central. Esses efeitos alteram o humor, a consciência, os 
pensamentos, os sentimentos e, consequentemente, o comportamento5. Drogas 
com esses efeitos são relatadas em diversas civilizações para uso em rituais 
religiosos. Podem-se citar o uso de cogumelos do gênero Psylocybe, que contêm 
triptaminas, nos Andes6; do cacto peiote (Lophophora williansii), que contém 
mescalina, no México6; da papoula (Papaver somniferum), que contém opioides, na 
Ásia e na região do mar Mediterrâneo7; e da ayahuasca (Banisteriopsis caapi e 
Psychotria viridis), que contém dimetiltriptamina, no Brasil8. 
Nos últimos séculos, porém, os psicoativos passaram a ser usados de forma 
abusiva, o que tem causado problemas sociais. Por isso, em resposta aos 
problemas causados pelo abuso de drogas, vários países se mobilizaram para 
regular o uso de substâncias psicotrópicas. Assim, em 1971, foi assinada a 
Convenção para Substâncias Psicotrópicas, que direciona o controle internacional 
dessas drogas9;10. 
No Brasil, as substâncias químicas controladas, sejam restritas ou proscritas, 
são reguladas pela Agência Nacional de Vigilância Sanitária (ANVISA) por meio da 
Portaria 344/9811. Nesta Portaria, as substâncias são classificadas de acordo com a 
necessidade de seu controle, sendo consideradas restritas as substâncias que são 
4 
 
permitidas para finalidades específicas, como morfina em uso medicinal, e proscritas 
as substâncias que são proibidas. Grande parte das drogas de abuso consta na 
referida Portaria, nas listas de substâncias proscritas – Listas F1 e F2. Com as 
recentes inovações no tráfico de drogas de abuso, 21 substâncias foram 
adicionadas à Portaria 344/98 em fevereiro de 2014, passando a serem controladas 
no país, incluindo várias fenetilaminas12. Essa atualização foi um marco para a 
regulação de novas drogas no país, devido ao grande número de novas substâncias 
psicoativas (NPS - new psychoactive substances) adicionadas, e foi seguida por 
outras 12 atualizações até março de 2016. 
Contudo, o número de diferentes NPS que foi reportado ao Escritório das 
Nações Unidas para Drogas e Crimes (UNODC – United Nation Office on Drug and 
Crime) aumentou significativamente, chegando a 739 em 201613. Assim, a inclusão 
de drogas na Portaria 344/98 de forma nominal não acompanhava a evolução do 
mercado de drogas ilícitas. Por isso, em maio de 2016, a ANVISA publicou a RDC n° 
79/2016, em que foi adicionado à Portaria 344/98 o sistema genérico por classe 
estrutural de substâncias proscritas, a exemplo de outros países14. 
Na RDC n° 79/2016, 10 estruturas de canabinoides sintéticos foram incluídas 
como classes estruturais. Dessa forma, todas as substâncias pertencentes a essas 
classes estruturais devem ser consideradas proscritas, excetuando as substâncias 
que sejam explicitamente permitidas pela própria norma. Esse sistema possibilita 
que drogas ainda sem ocorrência no mercado possam ser previamente proibidas. 
Além das classes estruturais de canabinoides sintéticos, em 2017, a classe 
estrutural de catinonas sintéticas foi incluída na Portaria 344/98 pela RDC n° 
175/2017. Outras 10 atualizações já foram feitas até dezembro de 2017, mas 
destaca-se que com a adição das classes estruturais de canabinoides e catinonas, a 
5 
 
lista de substâncias proscritas da ANVISA já passou a abranger mais de 51% dos 
NPS reportados à UNODC até 201613. 
2.2.1. Fenetilaminas 
As fenetilaminas, ou feniletilaminas, são uma classe de substâncias 
compostas por um grupo fenila e um grupo amino ligados por dois carbonos (etil). 
Devido às diversas posições em que se podem fazer substituições no esqueleto 
dessas moléculas (Figura 2.1), as possibilidades de criação de novas fenetilaminas 
são diversas. 
Figura 2.1 – Estrutura química das fenetilaminas 
 
Existem fenetilaminas naturais, produzidas por plantas ou animais, as quais 
podem ser usadas, por exemplo, como medicamentos. Podem-se citar a 
feniletilamina, um neurotransmissor natural encontrado no cérebroe que pode ser 
suplementado para tratamento de déficit de atenção15, e a efedrina, encontrada nas 
plantas do gênero ephedra, que é utilizada como broncodilatador no tratamento das 
vias respiratórias16. Por outro lado, muitas fenetilaminas possuem efeitos 
psicotrópicos, como estimulante ou alucinógeno. 
Muitas moléculas dessa classe tiveram sua síntese e seus efeitos 
psicotrópicos descritos por Alexander Shulgin e Ann Shulgin no livro PiHKAL: A 
6 
 
Chemical Love Story, em 199117;18. Muitas fenetilaminas não constam nas listas de 
regulação de entorpecentes, apesar de seus efeitos serem conhecidos, e outras só 
foram adicionadas recentemente a essas listas. Com isso, diversas dessas drogas 
foram vendidas legalmente para fins recreativos. Essas drogas são enquadradas na 
classe de NPS pelo UNODC, e seu consumo tem sido tratado como um problema de 
saúde pública13. 
Dentre as fenetilaminas podem ser feitas classificações de acordo com os 
grupos ligados ao esqueleto principal da molécula. Uma classe bastante conhecida é 
a das anfetaminas, na qual se incluem anfetamina, metanfetamina, ecstasy (MDMA, 
3,4-metilenodioxi-metanfetamina). Outra classe que tem sido comercializada 
ilegalmente é a classe dos NBOMe’s. As estruturas das fenetilaminas anfetamina, 
25C-NBOMe, 2,5-dimetoxi-fenetilamina (2C-H) e metalilescalina (MAL) são 
apresentadas na Figura 2.2. Mais detalhes sobre essas drogas são apresentados no 
Capítulo 3. 
Figura 2.2 – Estruturas químicas de: (A) anfetamina; (B) 25C-NBOMe; (C) 2C-H; e 
(D) MAL 
 
A 
C 
B 
D 
7 
 
2.2.1.1. Catinonas 
Dentro das fenetilaminas, um destaque especial deve ser dado às catinonas, 
pois essa é a segunda maior classe de NPS reportada ao UNODC, segundo o 
relatório anual de drogas do UNODC de 201713. 
As catinonas são uma classe de substâncias derivada da catinona (Figura 
2.3A), um psicoestimulante encontrado no arbusto Catha edulis19. Pela sua 
estrutura, a catinona e seus derivados também são pertencentes à classe das 
fenetilaminas. Uma comparação entre as estruturas da catinona e da anfetamina 
mostra que a única diferença entre elas é a presença de uma carbonila no carbono 
β. Logo, algumas semelhanças históricas entre as duas classes ocorreram. Assim 
como algumas anfetaminas20, catinonas como a efedrona, também tiveram uso 
medicinal, atuando no sistema nervoso central, no século XX. Contudo, o uso 
abusivo de efedrona na URSS e nos EUA levou à inclusão dessa droga na lista de 
substâncias controladas. 
Figura 2.3 – Estruturas químicas de: (A) Catinona; (B) Pirovalerona; (C) α-PVP; e (D) 
PV-8 
 
A 
C 
B 
D 
8 
 
No início dos anos 2000, algumas catinonas passaram a ser comercializadas 
por seus efeitos psicotrópicos. Essas drogas ainda não eram reguladas e ilegais, 
sendo comercializadas como substâncias de “barato” legal (legal high). Além disso, 
essas drogas eram marcadas como não indicadas para consumo humano, para 
evitar fiscalização sanitária. Diversas variações de catinonas chegaram ao mercado 
nos anos seguintes18. Além da variedade de catinonas que têm sido reportadas, a 
quantidade de droga apreendida também está em pleno crescimento. Essas drogas 
começaram a ser monitoradas pelo UNODC em 2010, e só em 2014 suas 
apreensões já atingiram 1,3 toneladas. Esse valor é 3 vezes maior do que as 
apreensões ocorridas em 2013, segundo o relatório13. 
Algumas das principais catinonas são baseadas nas estruturas de drogas já 
conhecidas e buscam mimetizar seus efeitos. Por exemplo, a efedrona tem a mesma 
estrutura química que a metanfetamina, diferindo apenas na presença da carbonila. 
O mesmo ocorre com a metilona e o MDMA. Por essa característica, a associação 
das drogas é feita também no nome. A referência à catinona vem da modificação 
estrutural: uma carbonila de cetona (ketone, em inglês) no carbono β, o que leva ao 
prefixo βK. Assim, a metilona também é chamada de βK-MDMA, por exemplo18. 
Um dos principais grupos de catinonas é baseado na pirovalerona 
(Figura 2.3B). Essa catinona e seus derivados são caracterizados por um anel 
pirrolidino formado no nitrogênio presente na estrutura básica de catinonas. Além do 
anel, uma extensão da cadeia carbônica no carbono α faz parte desses compostos. 
Na estrutura da pirovalerona, substituições na posição 4 do anel aromático são 
comuns. Ao substituir esse grupo metil por um hidrogênio, a molécula recebe o 
nome de 1-fenil-2-(pirrolidin-1-il)pentan-1-ona (Figura 2.3C) ou α-
9 
 
PyrrolidinoPentioPhenone, em inglês. Essa droga ficou conhecida como 
α-PVP, remetendo à pirrolidinovalerofenona20. 
Diversas drogas foram sintetizadas com estrutura similar à α-PVP. Pela 
alteração da cadeia carbônica no carbono α, tem-se uma série homóloga associada 
com o nome α-P_P, em que o espaço é preenchido de acordo com número de 
carbonos: α-PPP remete a um propil, cadeia de 3 carbonos, enquanto α-PHP remete 
a um hexil, cadeia de 6 carbonos. Destaca-se que algumas drogas ficaram 
conhecidas por outro nome, PV-_, que remete à pirovalerona. O número indicado 
nessa nomenclatura é a contagem de carbonos em cadeia linear, iniciada no anel 
aromático, com esse carbono incluso. Assim, a droga PV-8 (Figura 2.3D) é 
constituída por 7 carbonos lineares mais um carbono no anel fenílico. Outras 
variações das pirrolidinofenonas incluem substituições no anel aromático por 
halogênios, grupos alquilas, metoxilas ou ainda 3,4-metilenodioxi21. 
2.3. Medicamentos falsificados 
A falsificação de medicamentos é um problema sério de saúde pública em 
todo o mundo. A Organização Mundial da Saúde – OMS – estima que 10,5% de 
todos os medicamentos comercializados em países de baixa e média renda são 
falsificados ou fora de especificação (substandard). Esse panorama afeta 
principalmente os países da África que dependem de grande quantidade de 
medicamentos antimaláricos, os medicamentos mais falsificados no mundo22. 
Os medicamentos fora de especificação são aqueles que são produtos 
autorizados para uso médico, mas que não cumprem com as necessárias 
determinações de especificação e controle de qualidade. Em geral, eles possuem o 
princípio ativo do medicamento, mas a dosagem ou o rigor na produção dos 
10 
 
produtos não é adequada ao controle de qualidade farmacêutico. Destaca-se 
também a existência de medicamentos que podem ser regulamentados em alguns 
países, mas não atender às especificações farmacêuticas em outros. Assim, esses 
medicamentos podem ser traficados de países em que possuem registro para 
países em que não são autorizados, constituindo crime. 
Já para os medicamentos falsificados, o risco é ainda maior. O produto pode 
conter o princípio ativo em concentração diferente da indicada ou não conter o 
medicamento. Consequentemente, o tratamento com esse produto não apresentará 
os efeitos necessários. Além disso, o produto pode conter outro medicamento, não 
especificado, ou usar excipientes não adequados para consumo, que são 
potencialmente danosos à saúde. 
Apesar dos riscos, os pacientes recorrem a esses produtos vendidos sem 
controle por diversos motivos: praticidade e conveniência da compra online, 
constrangimento em relatar sua condição a um médico quando uma receita médica 
é necessária, e preço menor pelo produto. 
Um grande problema que tem potencializado a venda de medicamentos 
falsificados ou fora da especificação é a comercialização desses produtos na rede 
de computadores (internet). Em um levantamento feito em 2008 na Europa, 62% dos 
medicamentos vendidos pela internet eram falsos ou estavam fora da especificação. 
93,8% das farmácias online eram ilegais, não tendo um farmacêutico registrado, e 
90,3% dessas farmácias não requeriam receita médica para vender os produtos23. 
O empenho internacional no combate à venda de medicamentos ilegais é 
grande. A Operação Pangea, da Interpol, é dedicada exclusivamente a esse 
combate. Em 2017 ocorreu a sua décimaedição, que contou com a participação de 
123 países. Durante a semana em que ocorreu essa operação, foram apreendidos 
11 
 
25 milhões de medicamentos, que somaram valor estimado maior que 51 milhões de 
dólares. Entre os medicamentos apreendidos na operação, destacam-se 
suplementos alimentares, analgésicos, medicamentos para epilepsia, para disfunção 
erétil, antipsicóticos e produtos nutricionais24. 
Uma das classes de medicamentos que apresenta grande quantidade de 
ocorrências de produtos fora da especificação ou falsificados é nomeada “produtos 
para estilo de vida”. Destaca-se que ocorrências envolvendo produtos dessa classe 
foram reportadas à OMS por 37 países, indicando que a fraude desse tipo de 
produto não é local como no caso dos produtos antimaláricos. Os dados do relatório 
da OMS sobre falsificação são mostrados na Figura 2.4. 
Figura 2.4 – Produtos fora do padrão e falsificados reportados (2013-2017) à OMS: 
Número de ocorrências (à esquerda) e número de países afetados (à direita) 
(Adaptado22) 
 
Os produtos para estilo de vida são medicamentos regulados para 
tratamentos de disfunção erétil (DE), de queda de cabelo, para emagrecimento e os 
anabolizantes22. Contudo, esses medicamentos também são usados por pessoas 
sem orientação médica para obter os efeitos do medicamento sem estarem doentes 
0
50
100
150
200
250
300
350
N
°
d
e 
o
co
rr
ên
ci
as
0
5
10
15
20
25
30
35
40
45
50
P
aí
se
s 
af
et
ad
o
s
12 
 
e sem necessitarem desses tratamentos. Nesses casos, os compradores não 
possuem receita médica e buscam os medicamentos em comércios ilegais. 
2.4. Espectroscopia no Infravermelho25;26 
A interação entre a radiação eletromagnética e a matéria é um fenômeno de 
grande interesse para a sociedade e que tem sido bastante explorado em técnicas 
analíticas. Uma das técnicas que se baseia nesse fenômeno é a espectroscopia de 
absorção molecular na região do infravermelho27. 
A região do infravermelho é um intervalo do espectro da radiação 
eletromagnética que abrange os comprimentos de onda entre 780 nm a 1000 μm. 
Essa região do espectro eletromagnético, que possui comprimentos de onda 
imediatamente maiores que a luz visível, tem grande aplicação aos estudos 
químicos, pois essa faixa espectral possui energia da mesma ordem de grandeza 
que os modos vibracionais de ligações moleculares. A região espectral do 
infravermelho pode ser dividida em infravermelho próximo (780-2500 nm), médio 
(2,5-50 μm) e distante (50-1000 μm). 
O infravermelho próximo foi a primeira região da radiação invisível a ser 
descoberta, por Frederick Willian Herschel em 180028. Porém, essa região foi pouco 
utilizada na época por ter pequena relevância no estudo de caracterização de 
moléculas. Por outro lado, o infravermelho médio foi bastante utilizado no século 
passado por possibilitar a elucidação estrutural de moléculas. Isso ocorreu, pois, sua 
energia é compatível com os modos fundamentais de vibração das ligações 
químicas e as ligações possuem modos de vibração com energias discretas, que 
podem ser explicadas por modelos de mecânica quântica. Assim, cada ligação tem 
13 
 
uma energia específica, permitindo identificar quando um dado grupo funcional está 
presente na substância analisada, por exemplo. 
Um modelo que explica os níveis de energia é o oscilador harmônico 
quântico, que considera as massas dos átomos envolvidos na ligação e a força da 
mesma. A energia potencial E da ligação, de acordo com o modelo harmônico 
quântico, é: 
𝐸 = (𝜈 +
1
2
) 
ℎ
2𝜋
√
𝑘
𝜇
 Eq. 1 
em que ν é o número quântico vibracional, inteiro e positivo, h é a constante de 
Planck, k é a constante de força da ligação e µ é a massa reduzida do sistema, 
calculada como: 
μ =
m1 m2
m1+m2
 Eq. 2 
sendo m1 a massa do átomo 1 e m2 a massa do átomo 2. 
Porém, o oscilador harmônico não descreve bem a energia de ligações para 
distâncias interatômicas muito pequenas ou muito grandes. Quando os átomos 
estão muito próximos, a repulsão coulômbica exerce uma força para afastar os 
átomos, aumentando a energia potencial do sistema. No outro contexto, quando os 
átomos estão muito distantes, a força de atração dos átomos diminui, levando à 
dissociação da ligação. Essas considerações levaram ao modelo do oscilador 
anarmônico. As energias potenciais dos modelos de oscilador harmônico e 
anarmônico podem ser vistas na Figura 2.7. 
 
14 
 
Figura 2.7 – Modelos quânticos de (A) oscilador harmônico e (B) oscilador 
anarmônico (adaptado29) 
 
Pelo estudo dos modos vibracionais de ligações, foram construídas tabelas 
que permitem a interpretação de espectros de infravermelho médio pela atribuição 
de bandas. Essas tabelas indicam as regiões em que ocorrem os estiramentos, 
simétricos e assimétricos, as deformações no plano, tesoura e balanço, e as 
deformações fora do plano, torção e abano, para cada grupo funcional. 
Devido à sua alta capacidade de identificação espectral, a espectroscopia de 
infravermelho médio é considerada uma técnica classe A pelo Grupo de Trabalho 
Científico para Análise de Drogas Apreendidas (SWGDRUG – Scientific Working 
Group for Analysis of Seized Drugs)30. Além de classificada como excelente, a 
espectroscopia de infravermelho é tida como a técnica de maior capacidade de 
discriminação para a análise de compostos puros, podendo discernir entre 
diasteroisômeros e também formas de sais, bases ou ácido de uma mesma 
substância31. 
 
15 
 
2.4.1. Espectrômetro no infravermelho por Transformada de Fourier 
com Refletância Total Atenuada – ATR-FTIR 
A evolução instrumental proporcionou grandes avanços para a espectroscopia 
no infravermelho. Um dos grandes avanços foi o desenvolvimento de 
espectrômetros com Transformada de Fourier (FT – Fourier Transform). Esses 
instrumentos se fundamentam no efeito de interferência de ondas e produzem como 
resultado os interferogramas. Como a interferência depende do comprimento de 
onda, a separação dos comprimentos de onda por um monocromador, usada em 
instrumentos de IR dispersivos, é desnecessária, pois o próprio sinal de interferência 
traz informação sobre o comprimento de onda. 
Contudo, o interferograma é um gráfico de intensidade em função do tempo. 
Por isso, o uso de transformada de Fourier é necessário para que o gráfico seja 
representado no domínio de frequência e possa ser interpretado, na forma de um 
espectro de infravermelho. O tempo necessário para registrar um interferograma é 
menor que um segundo, portanto, o ganho em tempo de aquisição do espectro é 
notável, além de propiciar uma melhor relação sinal/ruído pelo registro de dezenas 
de interferogramas sequenciais na mesma amostra. 
Outro grande avanço na espectroscopia no infravermelho foi o uso de 
acessórios de refletância total atenuada (ATR – attenuated total reflectance) para a 
aquisição dos espectros. A reflexão total ocorre quando um feixe de radiação está se 
propagando em um material com alto índice de refração e é refletido na superfície 
desse meio. Porém, a reflexão não ocorre totalmente na superfície. Parte da 
radiação penetra no material que está em contato com essa superfície antes de ser 
refletido. A essa radiação é dado o nome de onda evanescente. Nesse material, a 
16 
 
onda evanescente pode ser absorvida nos comprimentos de onda específicos em 
que o material absorve e, assim, a radiação refletida terá sua intensidade atenuada 
nesses comprimentos de onda. Dessa forma, o registro dos comprimentos de onda 
em que a radiação foi atenuada forma o espectro de infravermelho. 
Na prática, a intensidade da onda evanescente é muito pequena. Para tornar 
viável uma absorção significativa dessa radiação, os equipamentos de ATR-FTIR 
são feitos com um cristal de alto índice de refração, mais comumente, diamante, 
germânio ou ZnSe, posicionado com ângulos precisos de forma que o efeito de 
reflexãoocorra várias vezes ao longo do cristal. O efeito de ATR pode ser 
visualizado na Figura 2.8. Além disso, os módulos de ATR possuem uma prensa 
para compactar a amostra na interface do cristal, aumentando a quantidade de 
espécies absorventes na região da onda evanescente. 
Figura 2.8 – Cristal ATR (adaptado32) 
 
Nesse tipo de equipamento, as amostras podem ter seu espectro medido 
diretamente, sem necessidade do preparo de pastilhas, como acontecia nos 
espectrômetros de infravermelho convencionais que predominavam até o final do 
século passado. Isso faz com que o equipamento seja mais prático e versátil, 
podendo ser usado para analisar sólidos e líquidos. Dessa forma, as análises são 
mais rápidas e têm menor custo, pois não há gasto de insumos para preparar a 
pastilha, além da possibilidade de realizar análises não destrutivas, como em 
amostras de papel. Além disso, destaca-se que os espectros de reflectância, obtidos 
17 
 
em equipamentos com ATR, apresentam grande correspondência com os espectros 
de transmitância obtidos com pastilhas. Isso possibilita a comparação espectral e 
uso de bibliotecas, independentemente do tipo de equipamento IV utilizado. 
2.5. Quimiometria33 
A quimiometria é uma disciplina que faz uso de matemática, estatística 
multivariada e sistemas computacionais para a resolução de problemas químicos34. 
Uma das aplicações da quimiometria é na exploração de padrões de informação 
relevantes presentes em um grande conjunto de dados, mas não perceptíveis sem o 
uso da análise multivariada. Esse é o principal objetivo da análise de componentes 
principais (PCA – principal component analysis). Nesta técnica, os dados originais, 
e.g. espectros, são decompostos em outro sistema de coordenadas não 
correlacionadas, ou seja, ortogonais, com finalidade de reduzir a dimensão espacial, 
destacando as informações de maior variância. 
Os métodos de análise exploratória, como a PCA, permitem a interpretação 
dos dados pela redução de sua dimensionalidade e possível visualização de 
padrões das relações entre as amostras em gráficos de escores de componentes 
principais (PC – principal component). Porém, estes métodos são não 
supervisionados, isto é, não possuem uma etapa de calibração/treinamento do 
modelo. Dessa forma, não é possível fazer inferências objetivas sobre os dados. 
Para contrapor essa incapacidade dos métodos não supervisionados, 
desenvolveram-se os métodos de classificação supervisionada. Os métodos de 
classificação supervisionada podem ser separados em métodos de análise 
discriminante e em métodos de modelagem de classe35. A Figura 2.5 ilustra a forma 
de classificação destes dois tipos de métodos. 
18 
 
Figura 2.5 – Sistema de classificação para análise discriminante (à esquerda) e 
modelagem de classe (à direita) (adaptado36) 
 
Um importante parâmetro das análises supervisionadas é referente à ordem 
dos dados das variáveis dependentes (Y). Muitas vezes, a classificação 
supervisionada se baseia na separação binária, por exemplo, se uma amostra 
contém ou não um dado analito. Assim, apenas uma classificação é feita e é dito 
que se trata de uma análise de ordem um. Já para a análise classificatória de ordem 
dois, há a possibilidade de previsão de mais de duas classes simultaneamente e a 
discriminação deixa de ser binária. Dessa forma, uma amostra pode pertencer, por 
exemplo, à classe A, B ou C, podendo ainda pertencer a mais de uma classe 
simultaneamente ou a nenhuma classe. Uma forma de organizar a informação de 
classes matematicamente é atribuir um valor a cada amostra, por exemplo, 1 a 
amostras pertencentes a uma classe e 0 a amostras não pertencentes a essa 
classe. Uma forma de organizar a matriz Y é ilustrada na Figura 2.6. 
 
19 
 
Figura 2.6 – Organização da matriz Y para um modelo de ordem dois (adaptado37) 
 
2.5.1. PLS-DA 
Nos métodos de análise discriminante, as variáveis independentes (sinais 
analíticos, no bloco X) são correlacionadas com o espaço das variáveis dependentes 
(valores de referência/variáveis categóricas, no bloco Y), que contêm as informações 
objetivas, ou de atribuição de classe, das amostras. 
Existem diferentes métodos para análise discriminante. Um dos mais 
importantes, devido ao seu uso ser bastante difundido nos últimos anos, é a análise 
discriminante por mínimos quadrados parciais (PLS-DA – partial least squares 
discriminant analysis). Esse método se baseia no modelo de calibração multivariada 
PLS, no qual se faz a decomposição simultânea dos espaços X e Y. Como 
consequência da decomposição simultânea, ocorre uma pequena perda de 
ortogonalidade em relação à decomposição por PCA. Assim, o novo sistema de 
coordenadas é formado pelas denominadas variáveis latentes (VL). 
Para a decomposição, a matriz X n x p, composta por n amostras e p variáveis, 
e a matriz Y n x k, composta por n amostras e k respostas analíticas, são 
decompostas em uma soma de A variáveis latentes. Neste momento, destaca-se a 
variação de k. Em casos mais simples, k é igual a um e y é um vetor, o que 
20 
 
representa apenas uma resposta analítica a ser calibrada (PLS1) ou uma 
classificação binária em uma classe (PLS1-DA). Já quando há mais de uma 
resposta analítica, ou mais de uma classe para a análise discriminante, tem-se que k 
é maior que um, fazendo com que Y seja uma matriz. Devido à dimensão de Y, os 
métodos passam a ser chamados PLS2 e PLS2-DA, respectivamente. 
A decomposição é feita segundo as equações 3 e 4. 
𝑿 = 𝑻𝑷′ + 𝑬 = ∑ 𝒕𝐴𝒑′𝐴 + 𝑬 Eq. 3 
𝒀 = 𝑼𝑸′ + 𝑭 = ∑ 𝒖𝐴𝒒′𝐴 + 𝑭 Eq. 4 
em que T e U são as matrizes de escores das matrizes X e Y, respectivamente, P e 
Q são as matrizes de pesos (loadings) de X e Y, respectivamente, e E e F são os 
resíduos de X e Y, respectivamente. O vetor de coeficientes de regressão linear b 
correlaciona os blocos X e Y de forma linear, para A variáveis latentes, de acordo 
com a equação 5. 
𝒖𝐴 = 𝒃𝐴𝒕𝐴 Eq. 5 
Os valores de bA são agrupados na matriz diagonal B, que contém os 
coeficientes de regressão entre as matrizes de escores T de X e U de Y. A melhor 
relação linear possível entre os escores desses dois blocos é obtida por meio de 
pequenas rotações das variáveis latentes dos blocos de X e Y. Os valores previstos 
para novas amostras (Ŷ) podem ser então calculados de acordo com a equação 6, 
com base nos novos escores T*. 
Ŷ = 𝑻∗𝑩𝑸 Eq. 6 
O número de variáveis latentes é de grande importância, pois altera a 
quantidade de informação que será modelada. Se o número de VL for muito 
pequeno, ocorre o subajuste e o modelo não é capaz de explicar toda informação 
21 
 
sistemática dos dados, apresentando má capacidade preditiva. No caso oposto, 
modelando um número de VL muito grande, ocorre o sobreajuste e parte da 
informação aleatória, e.g. ruído instrumental, é incorporada ao modelo. Isso faz com 
que os resultados da calibração sejam supermodelados apresentando erros de 
previsão não realistas, e, portanto, incompatíveis com a capacidade de previsão 
para novas amostras independentes. Dessa forma, o número de VL é escolhido em 
um procedimento de validação cruzada, baseado em processos de reamostragem, 
buscando o menor erro para amostras externas ao modelo previstas durante esta 
etapa. Um parâmetro que pode ser usado para avaliar esse erro nos métodos de 
classificação supervisionada é o erro de classificação de calibração cruzada (CVCE 
– cross-validation classification error), que pode ser avaliado individualmente para 
cada classe ou como uma média para um modelo multiclasse. 
Para o funcionamento das operações matemáticas, as identificações de 
classes precisam ser transformadas em números. De forma usual, atribui-se o valor 
1 para as amostras pertencentes à classe de interesse e o valor 0 para as amostras 
não pertencentes a essa classe. Por fim, um valor de corte é definido para separar 
osvalores de previsão que são considerados pertencentes à classe. Esse valor é 
chamado de limite de corte ou limiar (threshold). De forma simples, pode-se definir 
um valor arbitrário para esse limite, por exemplo, 0,5. Assim, os valores de y maiores 
que 0,5 são considerados 1, pertencentes à classe, e os valores de y menores que 
0,5 são considerados 0, não pertencentes à classe. Contudo, Brereton e Lloyd 
descreveram alguns erros comuns na definição do limiar para métodos qualitativos37. 
Uma forma de atribuir esse limite é usar estatística Bayesiana. 
22 
 
O teorema de Bayes usa informações prévias de probabilidade para definir a 
probabilidade de eventos futuros. Para apresentar essa teoria, considere que todas 
as amostras (eventos) são pertencentes à classe 1 ou à classe 0. Assim: 
𝑃(1|𝑦) + 𝑃(0|𝑦) = 1 Eq. 7 
Pelo teorema de Bayes, a probabilidade de um evento pertencer à classe A 
dado um valor de y é: 
𝑃(1|𝑦) =
𝑃(𝑦|1)∗𝑃(1)
𝑃(𝑦|1)∗𝑃(1)+ 𝑃(𝑦|0)∗𝑃(0) Eq. 8 
onde P(1) e P(0) são as probabilidades de ocorrência de eventos futuros 
pertencentes a 1 e 0, respectivamente. Se considerarmos que a probabilidade de 
observar, futuramente, um evento 1 é equivalente à quantidade de eventos 1 
ocorridos a priori, ou seja, a probabilidade futura é semelhante à probabilidade dos 
eventos ocorridos, a equação pode ser simplificada para: 
𝑃(1|𝑦) =
𝑃(𝑦|1)
𝑃(𝑦|1)+ 𝑃(𝑦|0) Eq. 9 
E de forma complementar: 
𝑃(0|𝑦) =
𝑃(𝑦|0)
𝑃(𝑦|0)+ 𝑃(𝑦|1) Eq. 10 
Essas duas equações descrevem a distribuição de probabilidade para cada 
evento, 1 e 0, e se interceptam em um único valor em que P(1|y) e P(0|y) são iguais 
a 0,5. Dessa maneira, é possível calcular o valor de y para o qual as probabilidades 
de um evento pertencer às classes 1 e 0 são iguais, e esse valor de y é definido 
como o limite de corte bayesiano. 
 
23 
 
2.5.2. SIMCA 
O método SIMCA – Modelagem flexível e independente por analogia de 
classe (Soft Independent Modelling of Class Analogy) – foi desenvolvido por Svante 
Wold em 197638. Nesse método de classificação supervisionada, usa-se o conceito 
de modelagem de classes. Diferentemente da análise discriminante, métodos de 
modelagem de classes identificam os padrões de informação da classe que será 
modelada, de maneira independente dos padrões de informação de conjuntos 
externos à essa classe. Assim, o modelo faz a atribuição de uma amostra: se ela 
pertence ou não pertence à classe modelada36. 
O SIMCA se beneficia dos dois conceitos que lhe dão nome. Soft modelling, 
ou modelagem flexível, permite que as classes se sobreponham, sem fazer distinção 
rígida entre elas. Assim, uma amostra pode pertencer a uma classe, a mais de uma 
classe ou a nenhuma das classes. Já a modelagem independente (Independent 
modelling) é uma característica ainda mais útil aos modelos quimiométricos. Por 
causa da modelagem independente, cada classe é modelada separadamente e não 
é influenciada por amostras de outras classes. Isso também é útil para atualização 
de modelos, pois pode-se incluir novas classes ao modelo SIMCA sem alterar as 
classes já modeladas. 
 No método SIMCA, essa modelagem é feita usando PCA. Um modelo PCA é 
feito para cada classe usando apenas amostras pertencentes à essa classe 
específica. Por fim, o modelo SIMCA compila os modelos PCA de cada classe para 
fazer as atribuições. 
A construção dos modelos PCA é feita por decomposição da matriz X em 
escores T e pesos P, restando a matriz de resíduos E como descrito na 
equação 3 (página 20). Como o modelo PCA de cada classe é construído 
24 
 
independentemente, o número de PC para a modelagem de cada classe pode ser 
diferente, de forma a otimizar a classificação. 
Para a classificação, o modelo SIMCA avalia os escores e os resíduos 
espectrais de cada amostra dentro da PCA para a classe modelada, sob um 
determinado limite de confiança. Assim, amostras que apresentem resíduos 
espectrais maiores do que o limite estimado ou que não se enquadrem no elipsoide 
de confiança das componentes principais são considerados como não pertencentes 
à classe modelada. Matematicamente, o método SIMCA calcula a distância de uma 
amostra ao centro da classe modelada, segundo a equação 11, onde di é a distância 
da amostra i à classe, Q refere-se aos resíduos espectrais e T2 de Hotelling, que 
representa a influência de cada amostra na parte modelada dos dados, é calculado 
a partir da matriz de escores. T295% e Q95% são valores limites calculados para 95% 
de confiança39. 
𝑑𝑖 = √(
𝑇2
𝑇95%
2 )
2
+ (
𝑄
𝑄95%
)
2
 Eq. 11 
Discussões recentes têm ocorrido na literatura sobre as potenciais vantagens 
de métodos de modelagem de classe sobre métodos discriminantes quando 
aplicados a problemas de verificação de autenticidade de amostras35;40. Como o 
SIMCA modela apenas as amostras da classe de interesse, não é necessário ter 
amostras que representem as situações externas a essa classe. Na prática, o 
universo de amostras não autênticas é virtualmente infinito, logo não é possível ter 
amostras que representem todas as situações possíveis. Dessa forma, modelos de 
análise discriminante aplicados na verificação de autenticidade, sendo locais, são 
úteis apenas para classificar os tipos de amostra não autênticas que foram usados 
na fase de treinamento. Uma alternativa para contornar essa limitação em análises 
25 
 
discriminantes é o uso de uma robusta detecção de amostras anômalas41;42. Por 
outro lado, os métodos de modelagem de classe não sofrem com essa limitação, 
pois todas as amostras que forem diferentes da classe modelada são não 
autênticas. 
Contudo, deve-se ter cautela, pois uma amostra autêntica que não tenha seu 
padrão de informação modelado, também será classificada como não autêntica. 
Logo, a classe modelada deve conter o máximo de padrões de informação 
possíveis, abrangendo as diversidades que possam compor a classe de amostras 
autênticas. Nesse aspecto, destaca-se a possibilidade de diferentes marcas de um 
mesmo produto, que devem ser incorporados na classe modelada sempre que 
possível. 
2.5.3. Validação de métodos qualitativos43-46 
Um dos motivos para se usar métodos de classificação supervisionada, em 
detrimento da análise exploratória, é que se tratam de métodos com resultados 
objetivos e probabilidades associadas a esses resultados. Com isso, esses métodos 
podem ter sua confiabilidade atestada em um processo de validação. As figuras de 
mérito (FOM – figures of merit) mais usuais para a validação de métodos qualitativos 
são as taxas de falso-positivo e falso-negativo. Além dessas, existem outras figuras 
de mérito, como taxa de sensibilidade, taxa de seletividade e acordância. 
Um resultado é denominado falso-positivo (FP) quando uma amostra não 
pertencente a uma classe é classificada como pertencente a esta pelo método, e, 
complementarmente, um resultado é denominado verdadeiro-negativo (TN – true-
negative) quando uma amostra não pertencente à classe é corretamente classificada 
como não pertencente a esta. A taxa de falso-positivo (TFP) é definida pela 
26 
 
quantidade de amostras FP em relação à quantidade total de amostras que não 
pertencem à classe. 
Da mesma forma, um resultado é denominado falso-negativo (FN) quando 
uma amostra pertencente a uma classe é classificada como não pertencente a esta, 
e, complementarmente, um resultado é denominado verdadeiro-positivo (TP – true-
positive) quando uma amostra pertencente à classe é corretamente classificada 
como pertencente a esta. A taxa de falso-negativo (TFN) é definida pela quantidade 
de amostras FN em relação à quantidade total de amostras que pertencem à classe. 
A TFP e TFN são consideradas figuras de mérito relacionadas à veracidade 
do método. Outra FOM usada para expressar a veracidade de métodos qualitativos 
é a taxa de confiabilidade (TCF), definida como a diferençaentre o total de análises 
e as taxas de resultados falsos, TFP e TFN. Essas FOM são descritas pelas 
equações 12 a 14. 
𝑇𝐹𝑃 = 
𝐹𝑃
𝐹𝑃+𝑇𝑁
∗ 100% Eq. 12 
𝑇𝐹𝑁 = 
𝐹𝑁
𝐹𝑁+𝑇𝑃
∗ 100% Eq. 13 
𝑇𝐶𝐹 = 100% − (𝑇𝐹𝑃 + 𝑇𝐹𝑁) Eq. 14 
De forma análoga às TFP e TFN, a taxa de sensibilidade (TSN) é definida 
pela razão entre TP e todas as amostras pertencentes à classe, e a taxa de 
seletividade (TSL, também chamada de especificidade) é definida pela razão entre 
TN e todas as amostras não pertencentes à classe. Essas FOM são consideradas 
parâmetros de incerteza, diferentemente das TFP e TFN. A TSN e TSL são descritas 
nas equações 15 e 16. 
𝑇𝑆𝑁 = 
𝑇𝑃
𝑇𝑃+𝐹𝑁
∗ 100% Eq. 15 
27 
 
𝑇𝑆𝐿 = 
𝑇𝑁
𝑇𝑁+𝐹𝑃
∗ 100% Eq. 16 
Uma FOM importante para a validação de um método é sua precisão. Para 
métodos qualitativos, a precisão é calculada como a probabilidade de amostras 
idênticas apresentarem o mesmo resultado frente ao método, ou seja, positivo-
positivo ou negativo-negativo. Em condições de repetitividade, essa FOM é 
chamada acordância (ACO) e em condições de precisão intermediária ou 
reprodutividade, denomina-se concordância (CON)47. A ACO e CON são descritas 
nas equações 17 e 18. 
𝐴𝐶𝑂 =
[𝑘(𝑘−1)+(𝑛−𝑘)(𝑛−𝑘−1)]
𝑛(𝑛−1)
∗ 100% Eq. 17 
𝐶𝑂𝑁 =
2𝑘(𝑘−𝑛𝑏)+𝑛𝑏(𝑛𝑏−1)−𝐴𝐶𝑂[𝑛𝑏(𝑛−1)]
𝑛2𝑏(𝑏−1)
∗ 100% Eq. 18 
onde n é o número de amostras por ensaio e k é o número de resultados 
concordantes em cada ensaio. 
 
28 
 
3. Classificação de drogas em selos 
3.1. Introdução 
O selo é uma forma de apresentação de drogas com grande apelo 
psicodélico. Usualmente, os selos são feitos de papel absorvente, por exemplo, 
mata-borrão, e apresentam estampas muito coloridas que remetem a culturas 
alternativas ou diretamente ao uso de drogas5. Uma cartela de selos apreendida é 
mostrada na Figura 3.1. 
Figura 3.1 – Cartela de selos apreendida 
 
Historicamente, o selo foi usado para comercializar a Lisérgida, ou dietilamida 
do ácido lisérgico (LSD - Lysergsäurediethylamid), uma droga sintética que produz 
forte efeito alucinógeno a partir de baixas doses. Seu uso foi bastante difundido 
durante a década de 1970, auge do movimento hippie5. 
Ainda hoje, o LSD é comercializado na forma de selos. Porém, diversos casos 
têm sido reportados em que selos apreendidos continham alucinógenos da classe 
das fenetilaminas48-50. Essa mudança está causando diversos problemas, tanto para 
o sistema de saúde quanto para o sistema policial. No sistema de saúde, vários 
casos têm sido reportados de pessoas que procuram atendimento médico devido a 
29 
 
overdoses, mas que não são tratadas adequadamente por não saberem qual foi a 
droga ingerida. Já no sistema policial, muitas das novas drogas não estão 
relacionadas nas listas de substâncias proibidas e, quando estão, nem sempre 
possuem métodos de análise estabelecidos. 
Entre as drogas que têm sido identificadas em amostras de selos estão os 
NBOMe’s, cujo nome é uma referência ao substituinte 2-metoxi-benzila ligado ao 
nitrogênio. Essa classe de drogas contém substâncias consideradas potentes 
alucinógenos, mesmo em pequenas quantidades, o que permite que sejam usadas 
em selos absorventes49. Atualmente, entre as drogas apreendidas na forma de selos 
em MG, as mais comuns são da classe de NBOMe’s51. 
Porém, com as mudanças nas listas de controle de drogas é esperado que as 
drogas traficadas atualmente, recentemente proibidas, sejam menos atraentes aos 
traficantes e apareçam outras substâncias psicoativas não controladas que, 
portanto, poderão ser vendidas legalmente52. 
Um exemplo de droga não controlada que entrou recentemente no mercado é 
a metalilescalina (MAL). A primeira vez que essa droga foi reportada por apreensão 
policial foi em 2013 na Suécia53, enquanto, no Brasil, selos contendo essa droga 
foram apreendidos em MG em 201451. Até hoje (fevereiro/2018) a MAL não consta 
na lista de substâncias controladas do Brasil11. Quanto à legislação internacional, 
apenas a Suécia considera a MAL como uma substância controlada54. 
Em laboratórios de análise forense, os selos são testados com o reagente de 
Ehrlich5. Esse reagente é utilizado em um teste colorimétrico para identificar grupos 
indol, o qual está presente no LSD. Contudo, a quantidade de LSD presente em 
selos é muito pequena, da ordem de 60 μg55. Por isso, resultados falso-negativos 
são comuns. Além disso, para outras drogas que têm sido encontradas na forma de 
30 
 
selos, como os NBOMe’s, ainda não existem testes colorimétricos específicos. Além 
disso, os ensaios colorimétricos não são considerados suficientes para conclusão de 
um laudo30. Por isso, os métodos instrumentais são usados para analisar esse tipo 
de amostra. As principais técnicas descritas para esse tipo de análise são 
cromatografia gasosa acoplada com espectrometria de massas (GC-MS, Gas 
Chromatography Mass Spectrometry) e cromatografia líquida acoplada com 
espectrometria de massas (LC-MS, Liquid Chromatography Mass 
Spectrometry)49;55;56. Esses métodos requerem uma etapa de extração e posterior 
filtração. A extração é comumente feita com metanol sob agitação durante 15 a 60 
minutos. 
Técnicas de análise direta já foram empregadas para análise de selos. 
Romão e colaboradores empregaram espectrometria de massas com ionização 
ambiente branda por spray-sônico (EASI-MS – Easy Ambient Sonic-spray Ionization 
Mass Spectrometry)57, Kauppila e colaboradores usaram espectrometria de massas 
com fotoionização a pressão ambiente por dessorção (DAPPI-MS – Desorption 
Ambient Pressure Photoionization Mass Spectrometry)58, Risoluti e colaboradores 
usaram espectroscopia no infravermelho próximo (NIR – near infrared)59 e Coelho 
Neto usou ATR-FTIR51. Destaca-se, contudo, as vantagens da ATR-FTIR, que é 
mais barata que as técnicas que usam espectrometria de massas e proporciona 
sinal analítico mais seletivo e intenso que a espectroscopia NIR. 
Apesar de ATR-FTIR já ter sido usada para análise de selos contendo drogas, 
o trabalho de Coelho Neto51, que analisou parte das mesmas amostras usadas 
nesse trabalho, focou em análise por equivalência espectral com busca em 
biblioteca e, brevemente, descreveu um método de análise discriminante. Contudo, 
nesse trabalho não foi desenvolvido um modelo robusto usando metodologia 
31 
 
sistemática para selecionar amostras, tampouco foram feitas a validação e 
caracterização espectral do modelo. Os métodos de classificação supervisionada 
são os mais apropriados para construir modelos robustos aplicados à discriminação 
de amostras forenses. Porém, eles devem ser usados com grande rigor multivariado, 
incluindo pré-processamento adequado dos dados, separação criteriosa de 
amostras para os conjuntos de treinamento e teste, validação do método por 
estimativa de FOM e correlação espectral dos vetores informativos com as amostras 
analisadas. 
Nesse trabalho objetivou-se o desenvolvimento de um método rápido de 
análise direta para identificação de drogas em selos apreendidos usando ATR-FTIR 
e PLS-DA. 
3.2. Materiais e métodos 
3.2.1. Equipamentos e programas 
Para realização das análises espectroscópicas, foi utilizado um 
espectrofotômetro de infravermelho médio com transformada de Fourier e acessório 
de refletância total atenuada (ATR-FTIR) Thermo NicoletTM iZ10 com fonte EverGlo, 
detector DLaTGS e módulo ATR Smart Orbit de reflexão única com cristal de 
diamante, presente na Seção Técnica de Física e Química Legal do Instituto de 
Criminalística da Polícia Civil de Minas Gerais (IC-PCMG). 
Os dados foram obtidos no programa OMNIC 9.1.27 (Thermo Fisher 
Scientific, Waltham, MA, EUA) e tratados no programa MATLAB, versão 7.13 (The 
MathWorks, Natick, MA, EUA), usando o pacote PLS Toolbox, versão 6.7.1 
(Eigenvector Technologies, Manson, WA, EUA), que contém as rotinas para 
métodosde classificação supervisionada. 
32 
 
As identificações espectrais foram feitas por comparação com os arquivos da 
biblioteca de espectros do programa OMNIC SpectaTM 2.0, além da biblioteca 
gratuita do SWGDRUG60. 
3.2.2. Amostras 
Nesta aplicação, 73 amostras de selos, referentes a 32 apreensões feitas 
entre 2014 e 2015 no estado de Minas Gerais e encaminhas para análise pela 
Polícia Civil de Minas Gerais, foram usadas para desenvolvimento e validação do 
método. Cada amostra foi analisada pelos métodos de rotina do laboratório de 
perícia, por cromatografia, gasosa ou líquida, com detecção por espectrometria de 
massas. Os resultados contidos nos laudos periciais foram tomados como valores de 
referência para as identificações das substâncias presentes na amostra. Amostras 
em que foram identificadas mais de uma droga não foram usadas neste trabalho. Na 
tabela 3.1, na seção 3.2.3, é mostrada a quantidade de amostras referentes a cada 
droga estudada. 
A fim de calibrar o modelo com papéis sem drogas, uma classe “papel” foi 
criada com sete tipos de papéis: Guardanapo, papel toalha, papel higiênico, papel 
filtro, envelope pardo, papelão e papel sulfite. Foram analisadas três amostras de 
cada tipo de papel, totalizando 21 amostras na classe “papel”. Os papéis que são 
muito finos foram dobrados a fim de terem aproximadamente a mesma espessura 
das amostras de selo. 
Os espectros dos selos foram obtidos diretamente na face estampada do 
papel. Cada espectro corresponde à média de 16 varreduras, com resolução de 
4 cm-1, registrados de 400 a 4000 cm-1. Um espectro branco foi registrado antes de 
33 
 
cada amostra, por protocolo do laboratório, para correção de fundo, evitando 
interferência atmosférica. 
3.2.3. Modelos quimiométricos 
Amostras sólidas constituídas de partículas com diferentes tamanhos, como o 
papel, causam espalhamento multiplicativo da radiação. Esse espalhamento reflete 
informações físicas da amostra, não contendo informação química. Portanto, para o 
objetivo desse trabalho, essa informação não é necessária, sendo corrigida pelo 
pré-processamento Variação Normal Padrão (SNV – standard normal variate)61. 
Um modelo PCA foi feito, inicialmente, para observar a dispersão das 
amostras, com os dados centrados na média. Em seguida, para a construção dos 
modelos de PLS-DA, as amostras foram separadas por classes, sendo cada classe 
atribuída a uma droga, com exceção das amostras que continham drogas NBOMe, 
que foram agrupadas em uma única classe. As diferenças estruturais entre os 
NBOMe’s são pequenas, alterando-se apenas o grupo substituinte na posição 4 do 
anel aromático dimetoxilado. Entre os NBOMe’s encontrados nas amostras estão 
apenas os que possuem substituição pelos halogênios bromo (25B), cloro (25C) e 
iodo (25I), cujas estruturas estão ilustradas no Anexo. Assim, os espectros dessas 
substâncias são muito semelhantes e, dessa forma, um modelo PLS-DA preliminar, 
que será discutido na seção 3.3, não conseguiu distinguir as pequenas diferenças 
entre os espectros dessas substâncias em um espaço de grande variância, como o 
modelo construído com todas as classes. 
A classe LSD foi separada em duas classes (LSD1 e LSD2), pois, as 
amostras apresentavam características distintas nos espectros, observadas no 
modelo PCA e na comparação espectral, as quais serão discutidas na seção 3.3.1. 
34 
 
Assim, foram feitos dois modelos hierárquicos de PLS2-DA: um modelo com todas 
as amostras separadas nas classes (NBOMe’s, 2C-H, LSD1, LSD2, MAL e papel); e 
um submodelo para identificar os diferentes NBOMe’s (25B-NBOMe, 25C-NBOMe e 
25I-NBOMe). As estruturas químicas das drogas analisadas são mostradas no 
Anexo. 
Brereton e Lloyd37 discutiram as características de métodos de classificação 
em que as classes possuem diferentes quantidades de amostras. Segundo esses 
autores, centrar os dados na média não é adequado nessas condições, pois, a 
média terá maior peso da classe em que houver mais amostras. Dessa forma, o 
pré-processamento de centrar na média foi substituído por centrar no centroide das 
classes, no qual se calcula o espectro médio de cada classe e, em seguida, calcula-
se o espectro médio dessas médias, dando pesos iguais a cada classe. Por fim, 
esse espectro médio ponderado é subtraído do espectro de cada amostra. 
Em cada classe, dividiram-se as amostras nos conjuntos de treinamento e de 
teste. Para essa divisão foi utilizado o algoritmo de Kennard-Stone62 e considerou-se 
a proporção de 2/3 das amostras para treinamento e 1/3 para teste, de acordo com a 
norma ASTM E166563. Assim, os conjuntos de treinamento e de teste foram 
constituídos por 63 e 31 amostras, respectivamente. Da mesma forma, as 25 
amostras de NBOMe foram separadas em 16 amostras para o conjunto de 
treinamento e 9 amostras para o conjunto de teste. A quantidade de amostras de 
cada classe em cada conjunto é apresentada na Tabela 3.1, para o modelo principal 
e o submodelo de NBOMe. 
 
35 
 
Tabela 3.1 – Quantidades de amostras por classe nos conjuntos de treinamento e 
teste, para o modelo principal e o submodelo de NBOMe 
Classe Total Treinamento Teste 
Modelo principal 
NBOMe’s 25 17 8 
2C-H 9 6 3 
LSD1 10 7 3 
LSD2 9 6 3 
MAL 20 13 7 
Papel 21 14 7 
Submodelo NBOMe 
25B-NBOMe 5 3 2 
25C-NBOMe 8 5 3 
25I-NBOMe 12 8 4 
 
Para escolher o número de VL, usou-se validação cruzada por venezianas, 
com 10 divisões (splits), e ponderou-se entre o menor valor de erro de classificação 
de validação cruzada médio e um número excessivo de VL. Para o submodelo de 
NBOMe’s foi usado o método de reamostragem leave-one-out, devido ao pequeno 
número de amostras. 
Os modelos foram avaliados pelas seguintes figuras de mérito, as quais foram 
calculadas separadamente para os conjuntos de treinamento e teste: taxas de falso-
positivo e falso-negativo; taxas de sensibilidade e seletividade; e taxa de 
confiabilidade. Além dessas FOM, a acordância e a concordância foram avaliadas 
pela análise de uma amostra de cada classe. Para acordância, foram feitas 6 
replicatas, em regime de repetitividade, e, para concordância, foram feitos dois 
ensaios em dias diferentes, por diferentes analistas, com 6 replicatas por dia, como 
forma de avaliação da precisão intermediária. 
36 
 
As FOM foram calculadas para cada classe e a média foi atribuída como 
representativa do modelo completo. 
3.3. Resultados e discussões 
Os espectros obtidos para todas as amostras, incluindo as amostras de 
papéis, são apresentados na Figura 3.2. 
Figura 3.2 – Espectros de infravermelho médio das 73 amostras de selos 
apreendidos e das 21 amostras de papéis 
 
Um modelo PLS-DA preliminar foi feito e observou-se que as amostras de 
diferentes NBOMe’s foram classificadas erroneamente, confundindo-se entre si. 
Assim, observou-se que a diferença espectral entre essas espécies é pequena se 
comparada à variância espectral do modelo, que contém diferentes classes de 
drogas. Por isso, optou-se por fazer um modelo principal no qual todos os NBOMe’s 
compuseram uma única classe e um submodelo composto apenas por NBOMe’s 
para discriminar os diferentes tipos de drogas dessa classe. 
5001000150020002500300035004000
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Número de onda (cm-1)
A
b
s
o
rb
â
n
c
ia
37 
 
Ainda nesse modelo PLS-DA, observou-se que parte das amostras de LSD foi 
classificada corretamente com altos valores de y para esta classe, sendo, portanto, 
facilmente discriminadas. Porém, outra parte das amostras de LSD apresentou 
baixos valores de y para essa classe e foi classificada como pertencente à classe 
papel. Para elucidar essa diferença, um modelo de PCA e a comparação espectral 
com bibliotecas foram usados. 
3.3.1. Modelo preliminar - PCA 
Um modelo PCA foi testado para observar a dispersão das amostras de 
acordo com suas classes. O gráfico de escores nas componentes